GPRInvNet：基于深度学习的探地雷达数据反演用于隧道衬砌
计算机视觉与模式识别
2021-09-28 v3 机器学习
图像与视频处理
地球物理
摘要
提出了一种称为 GPRInvNet 的 DNN 架构，以应对将探地雷达（GPR）B 扫描数据映射至地下结构复介电常数图的挑战。GPRInvNet 由逐道编码器与解码器组成。其专门设计用于考虑 GPR 反演在面对复杂 GPR B 扫描数据时的特性，并解决时间序列 B 扫描数据与空间介电常数图之间的空间对齐问题。它展现出融合 B 扫描数据上若干相邻道特征以增强各道，并进一步分别压缩各道特征的能力。因此，可准确重建与增强道空间对齐的介电常数图上的敏感区域。GPRInvNet 已被用于重建隧道衬砌的介电常数图。利用 GPRInvNet 重建了包含复杂缺陷的多种隧道衬砌介电模型。结果表明，GPRInvNet 能够有效重建边界清晰的复杂隧道衬砌缺陷。与现有基线方法的对比结果也证明了 GPRInvNet 的优越性。为使 GPRInvNet 推广至真实 GPR 数据，将实际模型测试中记录的一些背景噪声块集成到合成 GPR 数据中以重新训练 GPRInvNet。已进行模型测试用于验证，实验结果显示 GPRInvNet 在真实数据上也取得了令人满意的结果。
引用
@article{arxiv.1912.05759,
title = {GPRInvNet: Deep Learning-Based Ground Penetrating Radar Data Inversion for Tunnel Lining},
author = {Bin Liu and Yuxiao Ren and Hanchi Liu and Hui Xu and Zhengfang Wang and Anthony G. Cohn and Peng Jiang},
journal= {arXiv preprint arXiv:1912.05759},
year = {2021}
}